論文の概要: MariSat: A Maritime Dataset for Instance Segmentation of Objects in Satellite and Aerial Images

• arxiv url: http://arxiv.org/abs/2608.29852v1
• Date: Sun, 30 Aug 2026 15:31:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:31.091733
• Title: MariSat: A Maritime Dataset for Instance Segmentation of Objects in Satellite and Aerial Images
• Title（参考訳）: MariSat: 衛星画像と空中画像におけるオブジェクトのインスタンスセグメンテーションのための海事データセット
• Abstract要約: MariSatは1260の航空画像と衛星画像のベンチマークデータセットで、多様な港や海岸のシーンをカバーしています。 データセットは8種類の海洋生物(セイルボート、ヨット、ジェットスキー、漁船、クルーズ船、軍艦、タグボート、貨物船)に対してピクセルレベルで注釈付けされた。 本稿では,画像収集手法,アノテーションと修正プロセス,および得られたデータ構造について述べる。
• 参考スコア（独自算出の注目度）: 1.34949306816785
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Automated maritime surveillance from satellite and aerial imagery requires large, precisely annotated datasets, which remain scarce for the instance-segmentation task, particularly for small vessels in cluttered port environments. We present MariSat, a new benchmark dataset of 1260 aerial and satellite images covering diverse port and coastal scenes, annotated at the pixel level for eight maritime object classes (sailboat, yacht, jet-ski, fishing boat, cruise ship, military vessel, tugboat and cargo ship). The dataset was produced through a semi-automatic annotation pipeline combining the textpromptable segmentation model SAM 3 with a cascade of geometric and colorimetric post-processing filters, followed by a manual correction and quality-control pass performed with the CVAT annotation platform. We describe the image-collection methodology, the annotation and correction process, and the resulting data organization. We also report class-wise statistics for the training, validation, and test splits. MariSat has already been used to fine-tune and benchmark segmentation and detection models (SAM 3 and YOLO11) for real-time maritime monitoring. We report detailed quantitative and per-class results for both tasks. The MariSat dataset is publicly available on GitHub : https://github.com/amirabbes/P2M-Maritime-Segmentation
• Abstract（参考訳）: 衛星や航空画像からの海上監視を自動化するには、大きめで正確に注釈付けされたデータセットが必要である。 今回紹介するMariSatは1260の航空写真と衛星画像のベンチマークデータで、沿岸と沿岸の多様なシーンを網羅し、8種類の海洋生物(帆船、ヨット、ジェットスキー、漁船、クルーズ船、軍艦、タグボート、貨物船)に対してピクセルレベルで注釈を付けている。 このデータセットは、テキストプロンプタブルセグメンテーションモデルSAM3と幾何および測色後処理フィルタのカスケードを組み合わせたセミオートマチックなアノテーションパイプラインで作成され、CVATアノテーションプラットフォームで手作業による修正と品質管理のパスが実施された。 本稿では,画像収集手法,アノテーションと修正プロセス,および得られたデータ構造について述べる。 また、トレーニング、検証、テストの分割に関するクラスワイズ統計を報告します。 MariSatはすでに、リアルタイム海洋モニタリングのためのセグメンテーションと検出モデル(SAM 3とYOLO11)の微調整やベンチマークに使われている。 両タスクの定量的およびクラスごとの詳細な結果について報告する。 MariSatデータセットはGitHubで公開されている。 https://github.com/amirabbes/P2M-Maritime-Segmentation

関連論文リスト

• WUTDet: A 100K-Scale Ship Detection Dataset and Benchmarks with Dense Small Objects [68.44670476527155]
  WUTDetは100,576イメージと381,378のアノテートされた船舶インスタンスを備えた大規模な船舶検出データセットである。 CNN, Transformer, Mambaの3つの主流検出アーキテクチャから20のベースラインモデルを体系的に評価した。 Ship-GENの結果は、WUTDetでトレーニングされたモデルは、異なるデータ分布下でより強力な一般化を示すことを示している。
  論文  参考訳（メタデータ） (2026-04-09T03:28:05Z)
• NASTaR: NovaSAR Automated Ship Target Recognition Dataset [1.8957631297817699]
  このデータセットは、NovaSAR Sバンド画像から抽出された3415個の船のパッチからなる。 23のユニークなクラス、海岸/オフショアの分離、および船のウェイクが見えるパッチのための補助的なウェイクデータセットなどが含まれる。 ベンチマーク深層学習モデルを用いて,船型分類シナリオにおけるデータセットの適用性を検証した。
  論文  参考訳（メタデータ） (2025-12-20T20:42:30Z)
• Neptune-X: Active X-to-Maritime Generation for Universal Maritime Object Detection [54.1960918379255]
  Neptune-Xは、海洋オブジェクト検出のためのデータ中心の生成-選択フレームワークである。 X-to-Maritime(X-to-Maritime)は、多様で現実的な海洋シーンを合成する多モード条件生成モデルである。 提案手法は,海上シーン合成における新しいベンチマークを設定し,検出精度を大幅に向上させる。
  論文  参考訳（メタデータ） (2025-09-25T04:59:02Z)
• MID: A Comprehensive Shore-Based Dataset for Multi-Scale Dense Ship Occlusion and Interaction Scenarios [10.748210940033484]
  海上航行行動データセット(MID)は、複雑な海上環境における船舶検出の課題に対処するために設計されている。 MIDには5,673の画像と135,884の微調整されたターゲットインスタンスが含まれており、教師付き学習と半教師付き学習の両方をサポートしている。 MIDの画像は、43の水域を横断する現実世界のナビゲーションの高精細なビデオクリップから得られたもので、天候や照明条件も様々である。
  論文  参考訳（メタデータ） (2024-12-08T09:34:23Z)
• Underwater Camouflaged Object Tracking Meets Vision-Language SAM2 [60.47622353256502]
  本研究は,UW-COT220という大規模水中カモフラージュ型物体追跡データセットを提案する。 提案したデータセットに基づいて、本研究はまず、水中環境に挑戦するSAMとSAM2ベースのトラッカーを含む、現在の高度な視覚オブジェクト追跡手法を評価する。 本研究はSAM2よりもSAM2を改良し,水中カモフラージュ物体の複雑度を処理できることを実証した。
  論文  参考訳（メタデータ） (2024-09-25T13:10:03Z)
• SISP: A Benchmark Dataset for Fine-grained Ship Instance Segmentation in Panchromatic Satellite Images [25.259591254585388]
  本研究では,パンクロマティック衛星画像,すなわちSISPの粒度の細かいShip Instanceのベンチマークデータセットを提案する。 SISPには56,693のよく注釈付けされた船のインスタンスがあり、1万のスライスされた画像に4つの細かいカテゴリがある。 提案したSISPデータセットのターゲットには、実際の衛星シーンと整合した特性がある。
  論文  参考訳（メタデータ） (2024-02-06T05:02:33Z)
• Navya3DSeg -- Navya 3D Semantic Segmentation Dataset & split generation for autonomous vehicles [63.20765930558542]
  3Dセマンティックデータは、障害物検出やエゴ-車両の局所化といった中核的な認識タスクに有用である。 そこで我々は,大規模生産段階の運用領域に対応する多様なラベル空間を持つ新しいデータセットであるNavala 3D(Navya3DSeg)を提案する。 ラベルのない23のラベル付きシーケンスと25の補足シーケンスが含まれており、ポイントクラウド上の自己教師付きおよび半教師付きセマンティックセマンティックセグメンテーションベンチマークを探索するために設計された。
  論文  参考訳（メタデータ） (2023-02-16T13:41:19Z)
• KOLOMVERSE: Korea open large-scale image dataset for object detection in the maritime universe [0.5732204366512352]
  KRISO による海洋領域における物体検出のための大規模画像データセット KOLOMVERSE を提案する。 韓国の21の領海から撮影した5,845時間の動画データを収集した。 データセットには3840$times$2160ピクセルのイメージがあり、私たちの知る限り、海洋ドメインにおけるオブジェクト検出のための公開データセットとしては、これまでで最大のものである。
  論文  参考訳（メタデータ） (2022-06-20T16:45:12Z)
• xView3-SAR: Detecting Dark Fishing Activity Using Synthetic Aperture Radar Imagery [52.67592123500567]
  世界の漁業は海洋資源や生態系に大きな脅威をもたらす。 夜間または夜間、全天候下で暗黒船の自動検出が可能となった。 xView3-SARは、Sentinel-1ミッションから得られた1000近い分析可能なSAR画像で構成されている。
  論文  参考訳（メタデータ） (2022-06-02T06:53:45Z)
• FGSD: A Dataset for Fine-Grained Ship Detection in High Resolution Satellite Images [22.883300168530035]
  高解像度リモートセンシング画像を用いた船舶検出は、海面規制に寄与する重要な課題である。 船舶検出研究の促進を目的として, FGSD と命名された, きめ細かな船舶検出データセットを新たに導入した。 このデータセットは、世界中の複数の大きな港からの船のサンプルを含む高解像度のリモートセンシング画像を集めている。
  論文  参考訳（メタデータ） (2020-03-15T13:54:20Z)
• Real-Time target detection in maritime scenarios based on YOLOv3 model [65.35132992156942]
  ウェブスクレイピングによって収集された56k以上の海洋船舶の画像からなる、新しい船舶データセットが提案されている。 Keras APIをベースとしたYOLOv3シングルステージ検出器がこのデータセット上に構築されている。
  論文  参考訳（メタデータ） (2020-02-10T15:25:19Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。